Article Per Year (5 Year)
p-Index From 2021 - 2026
5.283
P-Index
This Author published in this journals
All Journal International Journal of Advances in Applied Sciences Bulletin of Electrical Engineering and Informatics PROtek : Jurnal Ilmiah Teknik Elektro Ainet : Jurnal Informatika Indonesian Journal of Data and Science Jurnal Teknik Informatika (JUTIF) Jurnal Algoritma, Logika dan Komputasi Jurnal Informatika Progres Mechatronics Journal in Professional and Entrepreneur (MAPLE) ARUS JURNAL SAINS DAN TEKNOLOGI Journal of Muhammadiyah’s Application Technology
Muhyiddin A.M Hayat
Informatika, Universitas Muhammadiyah Makassar
Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mathematics Physics Social Sciences Other

Published : 41 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 41 Documents
Search

 1   2   3   4   5 
Peningkatan Akurasi Prediksi Kebutuhan Obat BPJS PRB melalui Integrasi Analisis Diferensial dan Deep Learning Hermanto, Chalidah Azzahrah; Rachman, Fachrim Irhamna; A.M Hayat, Muhyiddin; H, chalidah_azzahra00
Journal of Muhammadiyah’s Application Technology Vol. 4 No. 3 (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/k6t40472

Abstract

ABSTRAKProgram Rujuk Balik (PRB) BPJS Kesehatan bertujuan menjamin keberlanjutan pengobatan pasien penyakit kronis. Namun, fluktuasi kebutuhan obat sering menimbulkan permasalahan overstock dan stockout di apotek mitra BPJS. Penelitian ini bertujuan mengintegrasikan analisis diferensial dan algoritma deep learning Long Short-Term Memory (LSTM) untuk meningkatkan akurasi prediksi kebutuhan obat PRB. Data yang digunakan berupa transaksi penjualan obat pasien BPJS PRB di Apotek Kimia Farma Cendrawasih periode Januari 2022 hingga Juli 2024. Analisis diferensial digunakan untuk menghitung perubahan tingkat pertama (delta 1) dan tingkat kedua (delta 2) penjualan, yang selanjutnya dijadikan fitur tambahan pada model LSTM. Evaluasi model dilakukan menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa integrasi analisis diferensial dengan LSTM mampu meningkatkan akurasi prediksi, dengan model terbaik menghasilkan nilai MAE rata-rata di bawah 20 untuk sebagian besar produk. Temuan ini berimplikasi pada peningkatan efektivitas perencanaan dan pengadaan obat PRB berbasis data historis dan tren perubahan.Kata Kunci: Prediksi Obat, BPJS PRB, LSTM, Deep Learning, Analisis Diferensial ABSTRACTThe BPJS Kesehatan Rujuk Balik Program (PRB) aims to ensure the continuity of treatment for patients with chronic diseases. However, fluctuations in medicine demand frequently cause overstock and stockout problems at BPJS partner pharmacies. This study aims to integrate differential analysis and the Long Short-Term Memory (LSTM) deep learning algorithm to improve the accuracy of PRB medicine demand forecasting. The data used consist of transaction records of PRB patient medicine sales at Kimia Farma Cendrawasih Pharmacy from January 2022 to July 2024. Differential analysis was applied to calculate the first-order change (delta 1) and second-order change (delta 2) in sales, which were subsequently incorporated as additional features in the LSTM model. Model performance was evaluated using Mean Squared Error (MSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The results indicate that integrating differential analysis with LSTM improves prediction accuracy, with the best-performing model achieving average MAE values below 20 for most products. These findings have important implications for enhancing data-driven planning and procurement of PRB medicines based on historical trends and demand dynamics.Keyworsds: Medicine Forecasting, BPJS PRB, LSTM, Deep Learning, Differential Analysis
Penerapan Watermark‎‎‎‎‎ Tak Terlihat pada Materi Pembelajaran ‎Digital Menggunakan QR Code‎ dan Least Significant Bit Wahyuni, Titin; Hayat, Muhyiddin AM; khairat, arikal
Journal of Muhammadiyah’s Application Technology Vol. 4 No. 3 (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/hqt4ec35

Abstract

ABSTRAKPerkembangan bahan ajar digital meningkatkan risiko pelanggaran hak cipta dan pemalsuan konten, sehingga diperlukan mekanisme perlindungan yang tidak mengganggu tampilan visual. Penelitian ini mengimplementasikan watermark‎ing‎ tak terlihat dengan menggabungkan Quick Response (QR) Code sebagai pembawa informasi dan steganografi‎ Least Significant Bit (LSB) sebagai teknik penyisipan pada citra yang terdapat dalam dokumen. Sistem dikembangkan berbasis web dengan tiga modul utama: pembuatan QR Code‎, penyisipan watermark‎, dan validasi dokumen. Evaluasi dilakukan pada 10 dokumen berformat DOCX dan PDF dengan total 169 gambar. Kinerja imperceptibility diukur menggunakan Peak Signal-to-Noise Ratio (PSNR) dan Mean Squared Error (MSE). Hasil pengujian menunjukkan PSNR berada pada rentang 55,4–67,1 dB dengan MSE sangat rendah (0,02–0,19), menandakan kualitas visual citra tetap terjaga. Selain itu, seluruh watermark‎ berhasil diekstraksi (100%) dan QR Code‎ dapat dipindai tanpa kegagalan. Validasi integritas payload‎ secara opsional menggunakan CRC32 terbukti membantu memastikan keutuhan data yang disisipkan. Temuan ini menunjukkan bahwa kombinasi QR Code‎ dan LSB efektif, andal, dan efisien untuk melindungi bahan ajar digital dari penyalahgunaan tanpa menurunkan kualitas visual.Kata Kunci: Watermark‎ing‎ tak terlihat; QR Code‎; steganografi‎; Least Significant Bit; bahan ajar digital. ABSTRACTThe growth of digital teaching materials increases the risk of copyright infringement and content tampering, requiring protection mechanisms that do not degrade visual quality. This study implements an invisible watermark‎ing‎ scheme by combining Quick Response (QR) Code as the information carrier and Least Significant Bit (LSB) steganography for embedding within images contained in documents. A web-based system was developed with three core modules: QR Code‎ generation, watermark‎ embedding, and document validation. The evaluation used 10 DOCX and PDF documents comprising 169 images. Imperceptibility was assessed using Peak Signal-to-Noise Ratio (PSNR) and Mean Squared Error (MSE). Experimental results indicate PSNR values of 55.4–67.1 dB with very low MSE (0.02–0.19), confirming that visual quality is preserved. All embedded watermark‎s were successfully extracted (100%), and the QR Code‎s remained fully scannable without failure. Optional payload‎ integrity checking using CRC32 further ensured the correctness of embedded data. Overall, the proposed QR Code‎–LSB combination provides a reliable and efficient approach to protect digital teaching materials against misuse while maintaining visual fidelity.Keywords: Invisible watermark‎ing‎; QR Code‎; steganography; Least Significant Bit; digital teaching materials.
Penerapan Natural Language Processing dan Regular Expressions dalam Validasi Artikel Ilmiah Azzahra, Fatimah; Anggraeni , Desi; AM Hayat , Muhyiddin
Journal of Muhammadiyah’s Application Technology Vol. 4 No. 3 (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/dkjw7933

Abstract

ABSTRAKPenelitian ini membahas penerapan Natural Language Processing (NLP) dalam proses validasi otomatis aturan penulisan artikel ilmiah pada AINET: Jurnal Informatika. Sistem dikembangkan dalam bentuk aplikasi web interaktif yang bertujuan untuk memeriksa kesesuaian struktur dan format artikel ilmiah secara otomatis, meliputi penulisan judul, identitas penulis, abstrak, kata kunci, bagian wajib artikel, serta format referensi yang digunakan. Metode yang diterapkan dalam penelitian ini adalah pendekatan rule-based, yang terdiri dari beberapa tahapan, yaitu ekstraksi teks dari dokumen, preprocessing NLP, segmentasi dokumen, serta pencocokan pola teks menggunakan Regular Expressions (Regex). Evaluasi sistem dilakukan menggunakan metode black-box testing terhadap 20 artikel jurnal sebagai data uji untuk mengukur tingkat ketepatan hasil validasi yang dihasilkan sistem. Hasil pengujian menunjukkan bahwa sistem mampu mencapai tingkat akurasi sebesar 90%, di mana 18 artikel berhasil divalidasi sesuai dengan kondisi sebenarnya. Temuan ini menunjukkan bahwa integrasi NLP dan Regex efektif dalam mendukung proses validasi penulisan artikel ilmiah secara efisien, cepat, dan konsisten. Namun demikian, sistem masih memiliki keterbatasan dalam mendeteksi abstrak bilingual, konsistensi penggunaan bahasa pada header, serta variasi format referensi, sehingga diperlukan pengembangan lanjutan untuk meningkatkan keandalan dan fleksibilitas sistem.Kata Kunci: Natural Language Processing, Regular Expressions, Validasi Penulisan, Artikel Ilmiah, AINET: Jurnal InformatikaABSTRACTThis study discusses the application of Natural Language Processing (NLP) in the automatic validation of scientific article writing rules in AINET: Journal of Informatics. The system was developed as an interactive web-based application aimed at automatically checking the conformity of article structure and formatting, including the title, author information, abstract, keywords, mandatory article sections, and references. The method used in this study is a rule-based approach, which consists of several stages, namely text extraction, NLP preprocessing, document segmentation, and pattern matching using Regular Expressions (Regex). System evaluation was conducted using the black-box testing method on 20 journal articles to measure the accuracy of the validation results. The testing results show that the system achieved an accuracy rate of 90%, with 18 articles successfully validated in accordance with actual conditions. These findings indicate that the integration of NLP and Regex is effective in supporting the validation process of scientific article writing in an efficient, fast, and consistent manner. However, the system still has limitations in detecting bilingual abstracts, language consistency in headers, and variations in reference formats, indicating the need for further development to improve system reliability and flexibility.Keyworsds: Natural Language Processing, Regular Expressions, Writing Validation, Scientific   Articles, AINET: Journal of Informatics
IDENTIFIKASI PENYAKIT DAUN SELADA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) BERBASIS EKSTRAKSI FITUR VISUAL AMRI, MUH ULIL; Danuputri, Chyquitha; Bakti, Rizki Yusliana; Kuba, Muhammad Syafaat S.; Hayat, Muhyiddin A M
Jurnal Algoritma, Logika dan Komputasi Vol 9, No 1 (2026)
Publisher : Universitas Bunda Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30813/j-alu.v9i1.8919

Abstract

Selada (Lactuca sativa L.) merupakan komoditas hortikultura bernilai ekonomi tinggi, namun produktivitasnya sering terhambat oleh serangan penyakit. Identifikasi manual oleh petani seringkali tidak akurat karena kemiripan gejala visual antar penyakit. Penelitian ini bertujuan untuk membangun sistem identifikasi penyakit otomatis menggunakan Support Vector Machine (SVM) berbasis ekstraksi fitur visual. Penelitian berfokus pada klasifikasi empat kondisi daun selada: Sehat, Bercak Daun Cercospora, Tipburn, dan Etiolasi. Metodologi yang digunakan meliputi ekstraksi fitur warna dari ruang warna HSV dan fitur tekstur menggunakan Gray-Level Co-occurrence Matrix (GLCM). Efektivitas augmentasi data dan optimasi hyperparameter menggunakan Particle Swarm Optimization (PSO) juga dievaluasi melalui tiga skenario perbandingan. Hasil penelitian menunjukkan bahwa augmentasi data secara signifikan meningkatkan akurasi model dari baseline 69,57% menjadi 92,28%. Optimasi lebih lanjut dengan PSO berhasil meningkatkan performa hingga mencapai akurasi final sebesar 93,63%. Model terbaik menunjukkan F1-Score yang seimbang di atas 0,91 untuk semua kelas, membuktikan bahwa kombinasi metode ekstraksi fitur HSV dan GLCM, augmentasi data, dan optimasi SVM menggunakan PSO merupakan pendekatan yang andal dan efektif untuk identifikasi penyakit daun selada, serta menawarkan alat bantu yang prospektif untuk pertanian presisi
DETEKSI PENYAKIT TANAMAN MERICA MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS CITRA DAUN Sari, Reski Anugrah; Danuputri, Chyquitha; Lukman, Lukman; Kuba, Muhammad Syafaat S.; Hayat, Muhyiddin A M
Jurnal Algoritma, Logika dan Komputasi Vol 9, No 1 (2026)
Publisher : Universitas Bunda Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30813/j-alu.v9i1.8923

Abstract

Deteksi penyakit pada tanaman merica (Piper nigrum) sangat penting untuk menjaga produktivitas dan kualitas panen, namun metode identifikasi manual oleh petani seringkali tidak efisien dan subjektif. Keterbatasan ini mendorong pemanfaatan teknologi kecerdasan buatan, khususnya Convolutional Neural Network (CNN), untuk menciptakan sistem deteksi yang cepat dan akurat. Penelitian ini bertujuan untuk menerapkan arsitektur CNN MobileNetV2 untuk mengklasifikasi empat kondisi daun merica (sehat, busuk pangkal batang, penyakit kuning, dan bercak daun) serta mengevaluasi secara kuantitatif pengaruh teknik augmentasi data terhadap performa model. Metode penelitian yang digunakan adalah pendekatan eksperimental dengan membandingkan dua skenario: Model A yang dilatih menggunakan 420 citra daun asli dan Model B yang dilatih dengan dataset yang sama namun diperbanyak melalui teknik augmentasi meliputi rotasi, flipping, dan penyesuaian kecerahan. Kedua model diuji menggunakan 60 citra data uji yang terpisah dan dievaluasi kinerjanya berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan perbedaan kinerja yang signifikan, di mana Model B (dengan augmentasi) mencapai akurasi keseluruhan sebesar 93%, meningkat dari 88% yang dicapai oleh Model A (tanpa augmentasi). Analisis kurva pelatihan juga membuktikan bahwa augmentasi data efektif menekan overfitting dan meningkatkan kemampuan generalisasi model. Kesimpulannya, arsitektur MobileNetV2 terbukti efektif untuk deteksi penyakit daun merica, dan penerapan teknik augmentasi data merupakan strategi krusial yang secara substansial meningkatkan akurasi dan keandalan model. Implikasi dari temuan ini adalah terbukanya potensi pengembangan aplikasi deteksi penyakit berbasis smartphone yang praktis dan dapat diandalkan untuk membantu petani dalam pengambilan keputusan perawatan tanaman yang lebih efektif.
Fine-Tuning a Large Language Model on Vertex AI for a New Student Registration Chatbot at Universitas Muhammadiyah Makassar Desi Anggreani; Muhyiddin A M Hayat; Lukman; Ahmad Faisal; Khadijah; Darniati
Indonesian Journal of Data and Science Vol. 7 No. 1 (2026): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v7i1.341

Abstract

This study addresses the limitations of manual admission services at Universitas Muhammadiyah Makassar, which often result in delayed and inconsistent information delivery. To overcome these challenges, an institution-specific chatbot was developed by fine-tuning the Gemini 2.5 Flash model on the Google Cloud Vertex AI platform. The model was trained using a curated domain-specific dataset of 1,430 question–answer pairs derived from official documents and frequently asked questions. The fine-tuning process employed supervised learning to enhance contextual relevance and response accuracy. System performance was evaluated using automated text quality metrics, achieving an average BLEU score of 0.23526 and a ROUGE-L Recall score of 0.53424, indicating satisfactory lexical and semantic similarity. Furthermore, a user acceptance evaluation involving 52 respondents yielded a Customer Satisfaction Score (CSAT) of 84.2%, reflecting high user satisfaction. These results demonstrate that fine-tuning a Large Language Model (LLM) for specific institutional needs effectively improves both response quality and service reliability. Ultimately, this approach offers a practical and scalable solution for modernizing student admission services in higher education, ensuring that prospective students receive accurate information in a timely and efficient manner.
Integrating multi-criteria decision making and public sentiment analysis for sustainable urban green space planning S. Kuba, Muhammad Syafaat; Faisal, Muhammad; Nurnawaty, Nurnawaty; Abdul Rahman, Titik Khawa; Syamsuri, Andi Makbul; Hayat, Muhyiddin AM; Bakti, Rizki Yusliana
Bulletin of Electrical Engineering and Informatics Vol 15, No 2: April 2026
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/eei.v15i2.11168

Abstract

Sustainable planning of green open spaces (GOS) requires decision-making models that combine expert evaluation with public input. This study proposes a novel hybrid framework that integrates multi-criteria group decision making (MCGDM) with public sentiment analysis to support community-based and data-driven urban planning. The workflow consists of evaluating 25 community-proposed GOS locations using stepwise weight assessment ratio analysis (SWARA) for criteria weighting and MABAC-BORDA for multi-criteria ranking, resulting in 11 feasible alternatives. To incorporate community perspectives, a term frequency-inverse document frequency-support vector machine (TF-IDF–SVM) classifier was applied to 1500 public comments, where SVM achieved the highest accuracy (0.80–0.96). The integrated approach improves ranking stability, reduces decision ambiguity, and strengthens alignment between expert judgment and community sentiment. This study contributes a transparent, participatory decision-support model that unifies MCGDM and sentiment analysis to enhance the effectiveness of sustainable GOS planning.
KLASIFIKASI TANAMAN OBAT TRADISIONAL BERBASIS CITRA BUAH DAN DAUN Kusumawardani, Nurul; Danuputri, Chyquitha; Darniati; Faisal, Muhammad; A.M Hayat, Muhyiddin; S. Kuba, Muhammad Syafaat; Anggreani, Desi
PROGRESS Vol 18 No 1 (2026): April
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v18i1.534

Abstract

Indonesia is a megabiodiversity country with extensive use of traditional medicinal plants; however, plant identification in natural environments remains largely manual and error-prone. Recent advances in deep learning, particularly Vision Transformer (ViT), provide a promising solution by effectively capturing global spatial features for image classification. This study applies a ViT-Base/16 model to automatically classify fruit and leaf images of Indonesian medicinal plants. The dataset comprises 1,000 field-collected images from Galung Village, West Sulawesi, covering 20 classes (10 medicinal and 10 non-medicinal plants). The model was fine-tuned using the AdamW optimizer with a learning rate of 2×10⁻⁵ and trained for 30 epochs with cosine annealing. The proposed approach achieved high performance, with 99.33% accuracy, 99.41% precision, 99.33% recall, and a 99.33% F1-score, while binary classification between medicinal and non-medicinal plants reached 100% accuracy. The system was deployed as a Flask-based web application, demonstrating reliable functionality and practical response times. Overall, the results confirm the effectiveness of Vision Transformer for medicinal plant classification under natural conditions and highlight its potential to support digital documentation, education, and the preservation of local ethnobotanical knowledge.
INTEGRASI ALGORITMA EdDSA DENGAN MULTI-SIGNATURE PADA SISTEM TANDA TANGAN DIGITAL BERBASIS QR CODE UNTUK VERIFIKASI DOKUMEN AKADEMIK Ahmad Fauzi Saifuddin; Fauzi, Ahmad; Lukman; Muhyiddin A.M Hayat
Ainet : Jurnal Informatika Vol. 8 No. 1 (2026): Maret (2026)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/qxkvht88

Abstract

Perkembangan dokumen akademik digital menuntut adanya sistem verifikasi yang mampu menjamin keaslian, integritas, dan keabsahan dokumen secara cepat dan aman. Penelitian ini bertujuan untuk mengimplementasikan sistem tanda tangan digital berbasis QR Code dengan mengintegrasikan algoritma Edwards-curve Digital Signature Algorithm (EdDSA) varian Ed25519 dan skema multi-signature untuk verifikasi dokumen akademik. Setiap dokumen ditandatangani secara digital oleh satu atau lebih penandatangan menggunakan pasangan kunci kriptografi Ed25519, kemudian hasil tanda tangan, nilai hash dokumen, serta identitas penandatangan disematkan ke dalam QR Code sebagai media verifikasi. Sistem diuji pada beberapa jenis dokumen akademik, yaitu KKP, KHS, dan Persetujuan Hasil, dengan jumlah penandatangan yang berbeda. Hasil pengujian menunjukkan bahwa seluruh tanda tangan digital berhasil diverifikasi dengan tingkat keberhasilan 100% dan waktu eksekusi rata-rata di bawah 0,3 detik, termasuk pada skenario multi-signature. Dengan demikian, integrasi EdDSA dan multi-signature berbasis QR Code terbukti efektif, efisien, dan layak diterapkan sebagai solusi verifikasi dokumen akademik yang aman dan andal.
Klasifikasi Mahasiswa Berprestasi Menggunakan Algoritma Fuzzy K-Nearest Neighbors Berdasarkan Riwayat Akademik dan Aktivitas Organisasi FUAD, NUR FUAD ALRASYID.S; ALRASYID.S, NUR FUAD; Muhammad Faisal; Muhyiddin A.M Hayat
Ainet : Jurnal Informatika Vol. 8 No. 1 (2026): Maret (2026)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/tvh1qe20

Abstract

Penentuan mahasiswa berprestasi di perguruan tinggi masih banyak dilakukan secara manual dengan fokus utama pada aspek akademik, sehingga berpotensi menimbulkan subjektivitas dan ketidakefisienan. Permasalahan ini mendorong perlunya pendekatan berbasis data yang mampu mengintegrasikan aspek akademik dan non-akademik secara objektif. Penelitian ini bertujuan untuk membangun model klasifikasi mahasiswa berprestasi menggunakan algoritma Fuzzy K-Nearest Neighbors (F-KNN) berdasarkan riwayat akademik dan aktivitas organisasi. Data penelitian berasal dari 112 mahasiswa Universitas Muhammadiyah Makassar yang mencakup data akademik, prestasi, dan keaktifan organisasi. Metode penelitian meliputi pra-pemrosesan data, feature engineering, pembobotan fitur, penerapan algoritma F-KNN, serta evaluasi model menggunakan confusion matrix dan 5-fold cross validation. Hasil pengujian menunjukkan bahwa model F-KNN dengan parameter k = 5 dan m = 2.0 mampu mencapai akurasi 91,3%, precision 81,82%, recall 100%, dan F1-score 90%. Hasil ini menunjukkan bahwa F-KNN efektif dalam mengidentifikasi mahasiswa berprestasi secara akurat dan stabil. Implikasi penelitian ini adalah tersedianya sistem pendukung keputusan yang objektif dan efisien untuk membantu perguruan tinggi dalam proses seleksi mahasiswa berprestasi.
Co-Authors . Darniati Abd Rahman, Aedah Abdul Rahman, Titik Khawa Abrah, Rezkytullah Ahmad Faisal Ahmad Fauzi Saifuddin Akbar DB, Andi Muhammad Akbar, Syahril ALRASYID.S, NUR FUAD AMRI, MUH ULIL Anggraeni , Desi Asdar, Muhammad Dasril Bakti, Rizki Yusliana Bakti, Rizki Yusliana Basyar, Muhammad Yusuf Danuputri, Chyquitha Danuputri, Chyquitha Danuputri, Chyquitha Darniati Dedi Setiawan Desi Anggreani Djalil, Sony Achmad Dzakki Adam, Ahmad Wildan Fachrim Irhamna Rachman Faeruddin, Muhammad Asygar Fahrim Irhmna Rachman Fatimah Azzahra Fauzi Ahmad Muda FUAD, NUR FUAD ALRASYID.S H, chalidah_azzahra00 Hadawina Hadawina Haidul, Haidul Hermanto, Chalidah Azzahrah Khadijah khairat, arikal Kusumawardani, Nurul Lukman Lukman LUKMAN ANAS Lukman Lukman Lukman Lukman Lukman, Lukman Muh Nur Aqsal Aminullah Muhammad Faisal Muhammad Faisal Mujidah, Jihan Izzathul Nisha, Khairun Nur Alam Nur, Muhammad Ikhsan Nurnawaty Rahman, Fahrim Irhamna RAHMANIA Rahmania RAMLI, ANDI RAODATUL ADAWIYAH Rasyidi, Muhammad Fachri Reski Abbas Ridwang Ridwang Ridwang Ridwang Ridwang, Ridwang Risal S. Kuba, Muhammad Syafa'at Salsabila, Ismi Sari, Reski Anugrah Sarina Sunarti Suriani Suriani Syamsuri, Andi Makbul Syarifuddin, Nur Annisa Titin Wahyuni Usman, Ansharullah Patiroi Utama, Prengki Putra Wahid, Abd Rahman